CN113450372B - 基于人工智能的输电线图像智能增强方法与系统 - Google Patents
基于人工智能的输电线图像智能增强方法与系统 Download PDFInfo
- Publication number
- CN113450372B CN113450372B CN202110991993.3A CN202110991993A CN113450372B CN 113450372 B CN113450372 B CN 113450372B CN 202110991993 A CN202110991993 A CN 202110991993A CN 113450372 B CN113450372 B CN 113450372B
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- background
- degree
- difference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000003993 interaction Effects 0.000 claims description 34
- 238000003064 k means clustering Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 abstract description 10
- 230000002708 enhancing effect Effects 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000016776 visual perception Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的输电线图像智能增强方法与系统。该方法根据获取含有输电线的图像的背景图像和输电线图像,结合输电线的纹理数量和纹理长度得到每条输电线的清晰度;根据颜色类别对背景图像进行划分得到多个背景区域,计算清晰度最大的输电线所在背景区域的交互差异程度,将交互差异程度最大的背景区域中的输电线作为标准参考区域输电线,基于标准参考区域输电线的灰度值和交互差异程度对其他背景区域内的输电线进行灰度值补偿。根据标准参考区域输电线的灰度值对其他输电线进行灰度值补偿,能够减少对比度不同造成的视觉误差,实现输电线的最佳视觉感知,提高工作人员检测输电线的准确性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的输电线图像智能增强方法与系统。
背景技术
架空线路和变电站是电网结构的重要组成部分,随着近年来电网建设的快速发展,输电线路里程也快速增长。大部分的输电线走廊分布在郊区旷野,受恶劣天气、山坡地理条件等客观自然条件的影响较大,其运行可靠性直接影响了电网的稳定运行,因此适时进行输电线路和变电站的巡视成了必不可少的内容。
对比效应是生活中常见的一种同一刺激因背景不同而产生的感觉差异现象,如同一种颜色把它放在较暗的背景上看起来明亮些,放在较量的背景上则看起来暗些。
目前智能巡检机器人广泛应用于输电线的日常巡检工作中,但是由于智能巡检机器人常常在高空作业,因此在对输电线进行成像时背景常常会产生较大的分割变化,如背景中的天空、田地以及荒地等都会因自身颜色的不同导致工作人员在观看输电线成像视频时产生不同程度的对比效应,从而影响他们的判断。另外由于光照角度以及拍照角度的影响,图像中的输电线一般亮度并不一致,导致亮度不明显区域成像昏暗模糊,同样会影响到工作人员的观察。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的输电线图像智能增强方法与系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的输电线图像智能增强方法,该方法包括:
采集含有输电线的图像,获取该图像中的背景图像和输电线图像;
获取所述输电线图像中输电线的纹理图,根据所述纹理图中所述输电线的纹理数量和纹理长度得到每条所述输电线的清晰度;
对所述背景图像进行K均值聚类得到多个背景区域;获取所述清晰度最大的所述输电线所在所述背景区域的交互差异程度,将所述交互差异程度最大的所述背景区域中的所述输电线作为标准参考区域输电线;利用所述标准参考区域输电线的灰度值和所述交互差异程度对其他所述背景区域的所述输电线进行灰度值补偿;
所述交互差异程度的获取方法为:根据颜色类别获取每两个所述背景区域之间的差异程度;获取当前背景区域与每个其他所述背景区域之间的质心距离,由多个所述质心距离得到质心距离总和,根据所述当前背景区域对应的所述差异程度、所述质心距离和所述质心距离总和得到所述当前背景区域与所述背景图像的交互差异程度。
进一步地,所述根据颜色类别获取每两个所述背景区域之间的差异程度的方法,包括:
利用RGB三个颜色通道中的非零像素值的像素数量获取每两个所述背景区域之间的所述差异程度。
进一步地,所述利用RGB三个通道中的非零像素值的像素数量获取每两个所述背景区域之间的差异程度的方法,包括:
利用RGB三个通道中的非零像素值的像素数量得到两个所述背景区域之间的相似特征值;
由所述相似特征值得到两个所述背景区域之间的所述差异程度。
进一步地,所述交互差异程度的计算公式为:
进一步地,所述纹理数量的获取方法,包括:
对所述纹理图中的每个纹理进行连通域分析,将连通域的数量作为所述纹理数量。
进一步地,所述纹理长度是每条所述输电线上所有纹理的平均长度。
进一步地,所述平均长度的获取方法,包括:
计算所述输电线对应的所述连通域内的像素点数量,根据所述像素点数量得到平均像素点数量;
将所述平均像素点数量作为所述平均长度。
进一步地,所述利用所述标准参考区域输电线的灰度值和所述交互差异程度对其他所述背景区域的所述输电线进行灰度值补偿的计算公式为:
第二方面,本发明另一个实施例提供了一种基于人工智能的输电线图像智能增强系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本发明实时例至少存在以下有益效果:将图像中所在的交互差异程度最大的背景区域且最清晰的输电线作为标准参考区域输电线,根据标准参考区域输电线的灰度值对其他输电线进行灰度值补偿,以改善输电线在图像中的对比度且达到统一对比度,进而能够减少对比度不同造成的视觉误差,实现输电线的最佳视觉感知,也进一步提高了工作人员检测输电线的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的输电线图像智能增强方法的步骤流程图;
图2为本发明实施例所提供的关于含有输电线的图像的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的输电线图像智能增强方法与系统,其具体实施方式、结构、特征及其作用,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的输电线图像智能增强方法与系统的具体方案。
参照附图1,本发明实施例提供了一种基于人工智能的输电线图像智能增强方法,该方法包括以下具体步骤:
步骤S001,采集含有输电线的图像,获取该图像中的背景图像和输电线图像。
具体的,如图2所示,使用智能巡检机器人对输电线进行拍照以得到含有输电线的图像,且智能巡检机器人主要依靠自身结构在输电线上进行移动拍照。对含有输电线的图像进行语义分割得到背景图像和输电线图像。
本发明实施例中采用编码器-解码器结构的DNN网络进行语义分割,则DNN网络的训练内容包括:
1)将采集到的含有输电线的图像作为训练数据集,对数据集进行标注,输电线标注为0,其他标注为1。其中随机选择数据集的80%作为训练集,剩余的20%作为验证集。
2)将图像数据和标签数据输入DNN网络中,编码器提取图像特征,并将通道数变换为类别个数;然后通过解码器将特征图的高和宽变换为输入图像的尺寸,从而输出每个像素的类别。
3)损失函数使用交叉熵损失函数进行训练。
利用由DNN网络得到的输电线分割图进行遮罩提取,与含有输电线的图像相乘,得到不含有输电线的背景图像;将背景图像与含有输电线的图像作差得到只含有输电线的输电线图像。
步骤S002,获取输电线图像中输电线的纹理图,根据纹理图中输电线的纹理数量和纹理长度得到每条输电线的清晰度。
具体的,通过边缘检测获取输电线图像中每条输电线的纹路,并计算每条输电线的清晰度,则清晰程度的计算过程为:
1)将输电线图像转为灰度图,利用canny边缘检测算法对灰度图中的输电线进行纹路检测。将检测到的纹路边缘的纹路图与灰度图作差得到只含有纹路的输电线的纹理图。
2)对纹理图中输电线的每个纹理进行连通域分析,统计每条输电线中连通域的数量,则连通域的数量即为该输电线的纹理数量;计算每条输电线对应的每个连通域内的像素点数量,根据该输电线的所有连通域内的像素点数量得到每个连通域内的平均像素点数量,将平均像素点数量作为所有纹理的平均长度,则该平均长度也即为输电线的纹理长度;根据输电线的纹理数量和纹理长度得到每条输电线的清晰度,选择任意一条输电线作为目标输电线,该目标输电线的清晰度的计算表达式为:
步骤S003,对背景图像进行K均值聚类得到多个背景区域;获取清晰度最大的输电线所在背景区域的交互差异程度,将交互差异程度最大的背景区域中的输电线作为标准参考区域输电线;利用标准参考区域输电线的灰度值和交互差异程度对其他背景区域的输电线进行灰度值补偿。
具体的,由于背景图像中不同颜色区域会使人眼形成不同的对比度,因此通过K均值聚类算法对背景图像进行区域划分。考虑到K均值聚类算法必须提前指定K值才能进行聚类,而成像中很难实时判断图像中具体有多少不同的颜色类别,故本发明实施例通过聚类过程中的方差变化来回归出较为准确有效的K值,则K值的获取过程包括:
1)在设定的K值取值范围内,获取每个K值对应的均方差。
具体的,由于随着聚类数目k值的增加,图像的划分会越来越精细,即每个簇类别中的聚合程度会逐渐提高,因此其均方差会逐渐减小。本发明实施例设定K值的取值范围为[1,8],计算取值范围内每个K取值对应的均方差,则均方差的数学表达式为:
2)同样采用K均值聚类算法,利用设定的K1值为聚类中心对均方差进行聚类,得到聚合程度趋于稳定时对应的均方差,根据该均方差确认步骤1)中的K值。
具体的,当选取的聚类中心的数量K值小于真实有效的聚类数目时,随着K值的增大会大幅度增加每个簇的聚合程度,从而相应的均方差下降幅度差值也会很大;而当K值达到真实有效的聚类数目时,K值继续增大后所得到的新的聚合程度会很快变小,从而相应的均方差下降幅度差值也会骤减并趋于平缓。本发明实施例设定K1值为2,利用K1值对均方差进行聚类。
由K值的取值范围内每个K值对应的均方差得到均方差差值序列,对均方差差值序列进行K均值聚类算法,即在每个均方差差值序列中选取K1个对象作为聚类中心,将均方值差值大的聚为一簇,均方值差值小的聚为另一簇,则均方值差值小的一簇中第一个均方差为聚合程度稳定是对应的分割点,进而将分割点对应的K值作为K均值聚类的K值。
进一步地,根据得到的K值对背景图像进行聚类,得到多个背景区域。具体方法为:利用K均值聚类算法对背景图像中每个像素点在RGB三个维度上进行聚类,以实现同一颜色的像素点聚为一簇,则一簇代表一个背景区域。
由于不同背景区域的背景颜色会使人产生不同的对比效应,因此本发明实施例根据颜色类别获取每两个背景区域之间的相似特征值,以得到差异程度,具体过程为:
1)利用RGB三个通道中的非零像素值的像素数量得到每两个背景区域之间的相似特征值。
将本背景区域内的各个通道内的像素数量与总像素数量的比值作为权重,利用三个通道内的像素数量获取两个背景区域之间的相似特征值Z,则相似特征值Z的计算表达式为:
2)由相似特征值得到两个背景区域之间的差异程度。
进一步地,背景图像中的每个背景区域都会对对比效应产生作用,且每个背景区域的颜色在整张背景图像中也会存在综合对比效应。因此,本发明实施例中基于各个背景区域,根据背景区域之间的质心距离获取每个背景区域与整张背景图像之间的交互差异程度,则具体过程为:
1)确定每个背景区域的质心位置,并计算每两个背景区域之间的质心距离得到多个质心距离,根据多个质心距离得到质心距离总和。
进一步的,获取清晰度最大的输电线所在的背景区域,计算每个所在背景区域的交互差异程度,将交互差异程度最大的背景区域中的输电线作为标准参考区域输电线,利用标准参考区域输电线的灰度值和交互差异程度对其他背景区域的输电线进行灰度值补偿,则具体补偿过程为:
1)根据清晰度获取清晰度最大的输电线,当清晰度最大的输电线占据多个不同背景区域时,获取每个背景区域的交互差异程度。由于交互差异程度越大说明该背景区域与整体背景图像的差异越明显,对比越强烈,越容易被人眼所观察,因此比较多个背景区域的交互差异程度之间的大小,选择交互差异程度最大时所对应的背景区域中的输电线作为标准参考区域输电线。
2)基于标准参考区域输电线的灰度值对各个背景区域中的其他输电线进行灰度值补偿,则灰度补偿值的计算公式为:
综上所述,本发明实施例提供了一种基于人工智能的输电线图像智能增强方法,该方法根据获取背景图像和输电线图像,结合输电线的纹理数量和纹理长度得到每条输电线的清晰度;根据颜色类别对背景图像进行划分得到多个背景区域,计算清晰度最大的输电线所在背景区域的交互差异程度,将交互差异程度最大的背景区域中的输电线作为标准参考区域输电线,基于标准参考区域输电线的灰度值和所在背景区域的交互差异程度对其他背景区域内的输电线进行灰度值补偿,其中,交互差异程度是利用由RGB三个颜色通道内的非零像素值的像素数量得到的每两个背景区域之间的差异程度,进而结合差异程度和背景区域之间的质心距离得到每个背景区域与整张背景图像之间的交互差异程度。根据标准参考区域输电线的灰度值对其他输电线进行灰度值补偿,以改善输电线在图像中的对比度且达到统一对比度,进而能够减少对比度不同造成的视觉误差,实现输电线的最佳视觉感知,也进一步提高了工作人员检测输电线的准确性。
进一步地,本发明实时例提供了一种基于人工智能的输电线图像智能增强系统。该系统中包括:处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的输电线图像智能增强方法实施例中的步骤,例如图1所示的步骤。或者,处理器执行计算机程序时实现上述一种基于人工智能的输电线图像智能增强系统实施例中各单元的功能。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的输电线图像智能增强方法,其特征在于,该方法包括:
采集含有输电线的图像,获取该图像中的背景图像和输电线图像;
获取所述输电线图像中输电线的纹理图,根据所述纹理图中所述输电线的纹理数量和纹理长度得到每条所述输电线的清晰度;
对所述背景图像进行K均值聚类得到多个背景区域;获取所述清晰度最大的所述输电线所在所述背景区域的交互差异程度,将所述交互差异程度最大的所述背景区域中的所述输电线作为标准参考区域输电线;利用所述标准参考区域输电线的灰度值和所述交互差异程度对其他所述背景区域的所述输电线进行灰度值补偿;
所述交互差异程度的获取方法为:根据颜色类别获取每两个所述背景区域之间的差异程度;获取当前背景区域与每个其他所述背景区域之间的质心距离,由多个所述质心距离得到质心距离总和,根据所述当前背景区域对应的所述差异程度、所述质心距离和所述质心距离总和得到所述当前背景区域与所述背景图像的交互差异程度。
2.如权利要求1所述的方法,其特征在于,所述根据颜色类别获取每两个所述背景区域之间的差异程度的方法,包括:
利用RGB三个颜色通道中的非零像素值的像素数量获取每两个所述背景区域之间的所述差异程度。
3.如权利要求2所述的方法,其特征在于,所述利用RGB三个通道中的非零像素值的像素数量获取每两个所述背景区域之间的差异程度的方法,包括:
利用RGB三个通道中的非零像素值的像素数量得到两个所述背景区域之间的相似特征值;
由所述相似特征值得到两个所述背景区域之间的所述差异程度。
5.如权利要求1所述的方法,其特征在于,所述纹理数量的获取方法,包括:
对所述纹理图中的每个纹理进行连通域分析,将连通域的数量作为所述纹理数量。
6.如权利要求5所述的方法,其特征在于,所述纹理长度是每条所述输电线上所有纹理的平均长度。
7.如权利要求6所述的方法,其特征在于,所述平均长度的获取方法,包括:
计算所述输电线对应的所述连通域内的像素点数量,根据所述像素点数量得到平均像素点数量;
将所述平均像素点数量作为所述平均长度。
9.一种基于人工智能的输电线图像智能增强系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991993.3A CN113450372B (zh) | 2021-08-27 | 2021-08-27 | 基于人工智能的输电线图像智能增强方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991993.3A CN113450372B (zh) | 2021-08-27 | 2021-08-27 | 基于人工智能的输电线图像智能增强方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113450372A CN113450372A (zh) | 2021-09-28 |
CN113450372B true CN113450372B (zh) | 2021-11-16 |
Family
ID=77818837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110991993.3A Active CN113450372B (zh) | 2021-08-27 | 2021-08-27 | 基于人工智能的输电线图像智能增强方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450372B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593274A (zh) * | 2009-07-02 | 2009-12-02 | 浙江省电力公司 | 基于纹理的输电线路设备特征提取方法 |
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN106932688A (zh) * | 2017-04-24 | 2017-07-07 | 国家电网公司 | 输电线检测仪及基于无人机的输电线检测系统 |
CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
CN112884795A (zh) * | 2019-11-29 | 2021-06-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 |
CN113205063A (zh) * | 2021-05-19 | 2021-08-03 | 云南电网有限责任公司电力科学研究院 | 一种输电导线缺陷的视觉识别及定位方法 |
-
2021
- 2021-08-27 CN CN202110991993.3A patent/CN113450372B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593274A (zh) * | 2009-07-02 | 2009-12-02 | 浙江省电力公司 | 基于纹理的输电线路设备特征提取方法 |
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN106932688A (zh) * | 2017-04-24 | 2017-07-07 | 国家电网公司 | 输电线检测仪及基于无人机的输电线检测系统 |
CN112884795A (zh) * | 2019-11-29 | 2021-06-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 |
CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
CN113205063A (zh) * | 2021-05-19 | 2021-08-03 | 云南电网有限责任公司电力科学研究院 | 一种输电导线缺陷的视觉识别及定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113450372A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296695B (zh) | 基于显著性的自适应阈值自然目标图像分割抽取算法 | |
CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN112287940A (zh) | 一种基于深度学习的注意力机制的语义分割的方法 | |
CN109559310B (zh) | 基于显著性检测的输变电巡检图像质量评价方法及系统 | |
CN108596102B (zh) | 基于rgb-d的室内场景物体分割分类器构造方法 | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
KR20160143494A (ko) | 현저성 정보 취득 장치 및 현저성 정보 취득 방법 | |
CN109934154A (zh) | 一种遥感影像变化检测方法及检测装置 | |
CN107871316B (zh) | 基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN111476849B (zh) | 对象颜色识别方法、装置、电子设备以及存储介质 | |
CN110084782A (zh) | 基于图像显著性检测的全参考图像质量评价方法 | |
CN109447111A (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN109492668A (zh) | 基于多通道卷积神经网络的mri不同期多模图像表征方法 | |
CN108830874A (zh) | 一种数字病理全切片图像空白区域自动分割方法 | |
CN105825168A (zh) | 一种基于s-tld的川金丝猴面部检测和追踪算法 | |
CN110032932A (zh) | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
CN111143615A (zh) | 一种短视频情感类别的识别装置 | |
CN113255434A (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN115457249A (zh) | 红外图像与可见光图像融合匹配的方法及系统 | |
CN106485266A (zh) | 一种基于提取颜色特征的古代壁画分类识别方法 | |
CN107369157A (zh) | 一种自适应阈值Otsu图像分割方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231113 Address after: 201800 Area A, 1st Floor, Building 4, No. 666 Huabo Road, Huating Town, Jiading District, Shanghai Patentee after: SHANGHAI YURONG OPTICAL TECHNOLOGY Co.,Ltd. Address before: 226121 No. 2, Zhonghua East Road, Sanchang street, Haimen City, Nantong City, Jiangsu Province Patentee before: Haimen Yulong Photoelectric Technology Co.,Ltd. |